KR102232513B1 - 인공지능 기반 예측적 ess 충방전 운용 장치 및 방법 - Google Patents

Abstract

본 발명의 실시예에 따른 인공지능 기반 ESS 제어 시스템은, 전력 사용량 정보를 제공하는 전력 정보 공급 장치; 전력 사용량 정보를 이용하여 전력 사용량 예측 모델을 생성하고, 뉴럴 네트워크를 이용하여 학습된 모델 데이터를 전송하는 분석 서버; 및 학습된 모델 데이터에 기초하여 전력 사용량 정보에 따라 전력 사용량 예측 데이터를 생성하고, 전력 사용량 예측 데이터에 기초하여 최적 ESS 충방전 전략을 생성하며, 최적 ESS 충방전 전략에 기초하여 ESS 시스템을 제어하는 예측적 충방전 제어기를 포함할 수 있다.

Description

인공지능 기반 예측적 ESS 충방전 운용 장치 및 방법{A Device and Method for Predictively Operating An ESS Charging Based On Artificial Intelligence}

본 발명은 인공지능 기반 예측적 ESS 충방전 운용 장치에 관한 것으로서, 보다 상세하게는 인공지능 기반의 ESS 제어 시스템에서 최적의 운전 제어 시점 및 충방전량을 예측함으로써 사용자의 수익을 극대화할 수 있는, 인공지능 기반 예측적 ESS 충방전 운용 장치 및 방법에 관한 것이다.

최근, 산업용 수용가의 효율적인 수요관리를 위해 ESS(Energy Storage System)의 보급 필요성이 커지고 있다. 이에 정부도 에너지 효율성 증대, 에너지신산업 확대, 온실가스 감축 등을 위하여 산업용 ESS 보급 방안을 마련하고 정책적으로 지원하고 있다.

기존 산업용 수용가의 ESS 설치 목적은 자체 부하 관리를 통한 전력 요금 절감을 극대화하는 것이다. 이를 위해 수용가 부하 및 전력 사용 환경을 고려하여 적절한 ESS 설치 용량을 산정하고 효과적으로 ESS를 제어하기 위한 선행 연구들이 진행되었다. 또한, 산업용 ESS는 에너지신사업 확대에 따른 자체 부하 관리 외에도 시장 참여를 통한 추가 수익을 가질 수 있다.

기존 산업용 수용가의 ESS는 전력 요금 절감을 위하여 피크절감과 차익거래 운전을 수행한다. 현재 산업용 수용가의 전력 요금은 시간대별 차등 요금제에 기본요금 제도를 도입하여 아래 수학식 1과 같이 산정한다.

(수학식 1)

여기서, C_month는 전력요금, C_basic은 기본요금(원/kW), P_peak는 피크전력(kW), C_usage는 사용량요금(원/kWh), 그리고, E_usage는 전력사용량(kWh)를 의미한다.

이 때, 피크절감은 ESS가 설정된 피크를 넘지 않게 관리하여 P_peak를 낮추는 것을 우선시하는 기능이다. 도 9(a)와 수용가의 사용 부하가 낮은 경부하 시간대에 ESS를 충전 후 오전/오후 피크 시간대에 ESS를 방전하여 연중 최대 피크를 관리할 수 있다. 그러므로 당일 피크전력을 관리하는 방법을 통해 전체 피크전력을 관리할 수 있고 이로 인해 전력 요금을 절감할 수 있다.

한편, 차익거래는 값싼 시간대의 전력을 ESS에 저장해 놓았다가 상대적으로 비싼 시간대에 방전함으로써 전력요금을 절감하는 기능이다. 도 9(b)와 같이 경부하 시간대에 ESS를 충전하고 최대부하 시간대인 14~17시 사이에 전량 방전함으로써 전력 가격의 시세 차익을 가질 수 있다.

이 경우, 피크절감과 차익거래 기능은 ESS의 일정한 배터리 용량 내에서 유기적으로 동작되어야 한다. 하지만, 기존의 ESS 제어는 도 9(a) 및 도 9(b)와 같이 단순하게 시간을 지정하여 최대 부하 경우에는 방전하고, 경부하 시점에 충전하는 충방전 전략을 사용한다.

따라서, 종래에는 일정 시간동안 충방전이 무리하게 오랫동안 지속되어 배터리 수명에 악영향을 주거나, 또는, 원하는 시점에 원하는 출력을 발생시켜 충방전을 최적화시킬 수 없다는 문제점이 있었다.

본 발명이 해결하고자 하는 전력 제어 시 ESS의 최적 운전 시점 및 충방전량을 자동으로 예측함으로써, 전기 사용량에 따른 사용자의 손실을 최소화하고 수익을 극대화할 수 있도록 인공지능 기반의 예측적 ESS 충방전 운용 장치(Predictive ESS Charging Operator, PECO)를 제공하는 것이다.

본 발명이 해결하고자 하는 또 다른 과제는 주기적으로 전력 수요를 예측하여 ESS의 최적 운전 전략을 수행함으로써 에너지 절감 효과를 극대화할 수 있는 인공지능 기반 예측적 ESS 충방전 운용 장치를 제공하는 것이다.

전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 인공지능 기반 ESS 제어 시스템은, 전력 사용량 정보를 제공하는 전력 정보 공급 장치; 전력 사용량 정보를 이용하여 전력 사용량 예측 모델을 생성하고, 뉴럴 네트워크를 이용하여 학습된 모델 데이터를 전송하는 분석 서버; 및 학습된 모델 데이터에 기초하여 전력 사용량 정보에 따라 전력 사용량 예측 데이터를 생성하고 전력 사용량 예측 데이터에 기초하여 최적 ESS 충방전 전략을 생성하며, 최적 ESS 충방전 전략에 기초하여 ESS 시스템을 제어하는 예측적 ESS 충방전 운용 장치(Predictive ESS Charging Operator, 또는 예측적 충방전 제어기)를 포함할 수 있다.

또한, 전력 정보 공급 장치와는 사물인터넷망 게이트웨이를 통하여 연결되며, 분석 서버와는 광대역 통신망 라우터를 통하여 연결되며, 전력 사용량 정보 및 전력 사용량 예측 모델 데이터를 라우팅하는 이더넷 스위치를 더 포함할 수 있다.

또한, 최적 ESS 충방전 전략은 ESS의 충전 또는 방전 여부, 충방전 주기 및 충방전 전력 제어량, 최적 운전 시점을 포함할 수 있다.

또한, 예측적 충방전 제어기는, 분석 서버로부터 전력 사용량 예측 모델을 수신하고 전력 정보 공급 장치로부터 전력 사용정보를 수신하는 수신부; 전력 사용량 예측 데이터 및 전력 사용 정보에 기초하여 목적 함수가 최소가 되는 결정 변수를 연산한 후, 결정 변수에 기초하여 최적 ESS 충방전 전략을 연산하는 연산부; 최적 ESS 충방전 전략에 기초하여 ESS의 충방전을 제어하는 제어부를 포함할 수 있다.

또한, 결정 변수는 목적 함수가 아래 수학식 1에 따라 연산된 최소값일 수 있다.

(수학식 1)

(여기서, Λ는 예측 시간 사이의 길이(Λ=N/24), ω는 일간 기본요금 단가, u는 일간 예측 시간 사이의 최대전력수요량(kWh)을 나타내고,

는 실제 사용된 전력사용량 요금을 나타냄)

또한, 목적 함수는 아래 수학식 2에 따라 연산되는 조건을 만족할 수 있다.

(수학식 2)

(여기서,

는 계약용량(kW),

는 당월 이전까지 기본요금적용전력량(kWh),

는 예측 시간 사이의 최대충방전 전력량(kWh),

는 일간 예측 시간 사이의 최대전력수요량(kWh)을 나타냄)

또한, 목적 함수는 아래 수학식 3에 따라 연산되는 조건을 만족할 수 있다.

(수학식 3)

(여기서,

는 예측 시간 i의 예측 또는 실측 전력사용량,

는 예측 시간 i의 방전량(kWh),

는 예측 시간 i의 충전량(kWh),

는 일간 예측 시간 사이의 최대전력수요량(kWh)을 나타냄)

또한, 목적 함수는 아래 수학식 4에 따라 연산되는 조건을 만족할 수 있다.

(수학식 4)

(여기서,

는 방전효율,

는 충전효율을 나타냄)

또한, 목적 함수는 아래 수학식 5에 따라 연산되는 조건을 만족할 수 있다.

(수학식 5)

(여기서,

는 예측 시간 사이의 최대 충방전 전력량(kWh)을 나타냄)

기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명은 전력 제어 시 ESS의 최적 운전 시점을 주기적으로 예측함으로써, 효과적으로 피크를 감소시켜 전기 사용량에 따른 사용자의 이익을 창출할 수 있다.

본 발명은 주기적으로 전력 수요를 예측하여 ESS의 최적 운전 전략을 수행함으로써 에너지 절감 효과를 극대화할 수 있다.

본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.

도 1은 본 발명의 일 실시예에 따른 인공지능 기반 ESS 예측적 충방전 제어 시스템의 개략도이다.
도 2는 본 발명의 일 실시예에 따른 예측적 충방전 제어기의 블록도이다.
도 3은 본 발명의 일 실시예에 따른 예측적 ESS 충방전 운용 방법을 설명하기 위한 블록도이다.
도 4는 본 발명의 일 실시예에 따른 LSTM 네트워크를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 인공지능 기반 예측적 ESS 충방전 운용 장치의 전력 검측 방법을 나타내는 흐름도이다.
도 6은 종래의 ESS 제어 장치의 ESS 제어에 따른 피크 변화량을 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 예측적 ESS 충방전 운용 장치의 ESS제어에 따른 피크 변화량을 나타낸 도면이다.
도 8은 도 7의 A영역에 대한 확대도 및 본 발명의 일 실시예에 따른 충방전 전략 변화를 설명하기 위한 그래프이다.
도 9는 종래 기술에 따른 피크절감과 차익거래 운전을 설명하기 위한 도면이다.

이하의 내용은 단지 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 발명의 원리를 구현하고 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.

또한, 이하의 설명에서 제1, 제2 등과 같은 서수식 표현은 서로 동등하고 독립된 객체를 설명하기 위한 것이며, 그 순서에 주(main)/부(sub) 또는 주(master)/종(slave)의 의미는 없는 것으로 이해되어야 한다.

상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.

본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.

이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시예들을 상세히 설명한다.

도 1은 본 발명의 일 실시예에 따른 인공지능 기반 ESS 제어 시스템의 구성도이다.

도 1을 참조하면, 인공지능 기반 예측적 ESS 충방전 운용 시스템은 전력 정보 공급 장치(200), 분석 서버(300), 예측적 충방전 제어기(100), 이더넷 스위치(500) 및 ESS(400)를 포함한다.

예측적 ESS 충방전 운용 시스템은 ELMAN, RNN 또는 LSTM 등의 뉴럴 네트워크를 사용하여 전력 수요를 예측할 수 있다. 또한, 예측적 ESS 충방전 운용 시스템은 ESS(400, Energy Storage System)의 배터리 충방전, 전력 제어에 대한 최적 운전 전략을 수립하고 전력을 제어할 수 있다. 바람직하게는 인공지능 기반 ESS 제어 시스템은 LoRa 게이트웨이(600) 및 LTE 라우터(700)를 더 포함할 수 있다. 예컨대, 최적 운전 전략은 충전/방전 여부, 충방전 주기 및 충방전 량을 포함할 수 있다.

전력 정보 공급 장치(200)는 주기적으로 전력량을 측정하고 측정한 전력량을 수집하여 예측적 충방전 제어기(100)로 공급하는 장치이다. 예를 들면, 전력 정보 공급 장치(200)는 전력량을 측정하는 전력수요 계량기(210) 및 측정된 전력량을 기초로 전력수요를 전력수요 수집기(220)로 전송하는 전력수요 수집기(220)를 포함한다. 전력수요 계량기(210)는 건물 단위에서는 각 전력 요금의 주체인 수용가 별로 복수개가 존재할 수 있기 별도의 전력수요 수집기(220)가 필요할 수 있다.

분석 서버(300)는 전력 수요 학습 및 예측 모델을 생성하는 구성으로서, 전력 정보 공급 장치(200)로부터 수집된 전력수요 데이터를 이용해 전력 수요 패턴을 학습시킨다. 여기서, 전력 수요 패턴은 예컨대, 뉴럴 네트워크를 통하여 학습시킨다.

예측적 충방전 제어기에 대한 분석 서버(300)의 학습 결과, 분석 서버(300)는 기존 전력수요 예측 모델의 변경이 필요할 경우 해당 예측 모델 데이터를 무선 네트워크를 통해 전송한다. 여기서, 변경이 필요한 경우라는 것은 기존 예측 모델과 새로운 전력 수요를 적용한 모델 간의 오차를 평가하여 예측 모델의 갱신이 필요한 경우를 의미하는 것이다. 예측 모델 데이터는 예컨대, 학습이 완료된 뉴럴 네트워크의 은닉층의 계수 일 수도 있다.

예측적 충방전 제어기(100)는 분석 서버(300)로부터 수신한 예측 모델 데이터에 기초하여 예측 전력 사용량 데이터를 생성하고, 또한, 예측 전력 사용량 데이터의 전력 수요, 배터리의 충전 잔량, 배터리의 충방전 효율 또는 계통의 전력, 전압, 전류 등에 따라 최적 운전 전략을 수립하고, PCS(410, Power Conditioning System)를 제어할 수 있다. 또한, 예측적 충방전 제어기(100)는 LoRa 망을 통해 전력 정보 공급 장치(200)와 통신하고 LTE 망을 통해 분석 서버(300)와 통신할 수 있다. 또한, 예측적 충방전 제어기(100)는 배터리(430), BMS(420) 및 PCS(410)를 포함하는 ESS(400)와 연결될 수 있다. 여기서, ESS(400)는 다수의 배터리(430)를 포함할 수 있으며, BMS(420)는 각각의 배터리(430)를 관리하고, PCS(410)는 배터리(430)에 DC전력을 AC전력 또는 DC전력으로 변환하여 방전과 충전하기 위한 구성으로서, ESS(400)를 직접적으로 제어한다.

예측적 충방전 제어기(100)는 기본적으로 분석 서버(300)의 예측에 대한 부하 또는 데이터 전송에 대한 부하를 덜어주고, 로컬에서 보다 효율적으로 PCS(410) 및 BMS(420)를 제어하기 위한 장치이다. 예컨대, 예측적 충방전 제어기(100)가 없다면, 분석 서버(300)와 PCS(410), BMS(420) 및 전력 수요 계량기(210)가 직접적으로 인터넷을 통해 연결되어야 한다. 이 경우, 각 노드들 간의 통신량이 절대적으로 증가하며, 수많은 장치들과 직접 연결된 분석 서버(300)의 부하가 크게 증가되어 비용이 크게 증가하고 유지보수가 어렵게 된다.

또한, 이러한 부하의 증가로 인하여 적시에 적절한 배터리의 제어가 이루어지지 못할 가능성이 높다.

본 발명에 따른 예측적 ESS 충방전 운용 시스템은 예측적 충방전 제어기(100)를 구비함으로써 이러한 분석 서버(300)의 부하를 크게 절감시킴과 동시에 배터리의 적시 제어가 가능하게 된다. 또한, 본 발명은 예측적 충방전 제어기(100)에서 수집된 빅데이터를 자원이 풍부한 분석 서버(300)를 통해 분석하게 하여 분석의 정확성과 효율성을 극대화하도록 구현되었다.

이하에서는 도 2를 참조하여 예측적 충방전 제어기(100)에 대하여 상세히 설명한다.

도 2와 같이, 예측적 충방전 제어기(100)는 수신부(110), 연산부(120) 및 제어부(130)를 포함한다.

수신부(110)는 BMS(420) 및 PCS(410)로부터 배터리(430)의 충전잔량(SoC) 및 계통의 전력, 전압, 전류 등을 주기적으로 수신한다. 또한, 분석 서버(300)로부터 예측 데이터를 주기적으로 수신한다.

연산부(120)는 피크를 절감하기 위해 수신부(110)로부터 수신된 예측 데이터를 기초로 전력 수요를 예측한다. 또한, 연산부는 전력 수요 예측과 함께, 선형계획법(Linear Programming Under Uncertainty)을 이용하여 목적 함수의 최소값을 연산하여 충방전 전략을 수립한다. 이와 관련한 구체적인 내용은 추후 설명하기로 한다.

제어부(130)는 수신부(110) 및 연산부(120)를 제어하는 구성으로서, BMS(420) 및 PCS(410)로부터 수신된 배터리(430)의 충전잔량(SoC) 및 계통의 전력, 전압, 전류 등을 제어할 수도 있고, 예측적 충방전 제어기(100)와 분석 서버(300)와의 네트워크 연결이 끊어졌을 경우 데이터들을 임시저장하는 역할을 할 수도 있다. 또한, 네트워크 연결이 불안정하여 일시적으로 이용이 불가능할 경우(예를 들면, 유지보수, 시스템 점검 등)에는 오프라인으로 데이터를 전달하는 역할을 할 수도 있다.

이더넷 스위치(500)는 전력 정보 공급 장치(200)와 예측적 충방전 제어기(100) 사이의 연결을 온/오프 하는 구성으로서 PCS(410)를 통해 계통의 전력, 전압, 전류 등 상태를 주기적으로 수집하고, BMS(420, Battery Management System)를 통해 배터리(430)의 충전잔량(SoC, State Of Charge)을 주기적으로 수집한다. 이때, 이더넷 스위치(500)는 LTE 연결이 되면 LTE 라우터(700)를 통해 수집된 전력수요, SoC, 계통상태 등을 주기적으로 분석 서버(300)로 전송하고, LTE 연결이 끊어지면 예측적 충방전 제어기(100)에 데이터를 임시 저장한 후 다시 연결이 되면 일괄적으로 데이터를 재전송할 수 있다. 본 명세서에서는 이더넷 스위치(500)가 LTE 망을 통해 분석 서버(300) 및 예측적 충방전 제어기(100)와 연결되는 것으로 도시하였으나, 이에 한정되는 것은 아니다.

이하에서는, 도 3 및 도 4을 참조하여 본 발명의 일 실시예에 따른 인공지능 기반 예측적 ESS 충방전 운용 장치에 따른 ESS 제어 방법을 설명하기로 한다.

도 3은 본 발명의 일 실시예에 따른 인공지능 기반 예측적 ESS 충방전 운용 방법의 전체 프로세스를 나타내는 블록도이다. 도 4는 본 발명의 일 실시예에 따른 인공지능 기반 네트워크를 설명하기 위한 도면이다.

먼저, 본 발명의 일 실시예에 따르면, 분석 서버(300)는 예측 모델 데이터를 기계 학습에 의하여 생성하고, 또한, 예측적 충방전 제어기는 예측 모델 데이터를 로딩한다(S10).

보다 상세하게는, 분석 서버(300)는 전력 정보 공급 장치(200)로부터 수신한 전력량을 뉴럴 네트워크를 이용하여 학습시킴으로써 예측 모델 데이터를 생성하고, 생성된 예측 모델 데이터를 예측적 충방전 제어기(100)로 송신할 수 있다. 본 명세서에서는 뉴럴 네트워크로 LSTM 네트워크를 사용하는 것을 기본으로 하지만, 이에 한정되는 것은 아니다. 예컨대, RNN 네트워크, ELMAN 네트워크 등일 수 있다.

도 4에 따르면, 본 발명의 실시예에 따른 전력 사용량 예측은 먼저, 입력된 직전시간까지 정리된 정보들(Hidden state) 및 현재시점의 입력 데이터를 LSTM 네트워크에 입력한다.

보다 구체적으로, LSTM 네트워크의 각 셀은 도 4와 같은 구조를 가지며, 망각 게이트(forget gate), 입력 게이트 및 출력 게이트를 수학식으로 표시하면 아래 수학식 1 내지 수학식 8과 같다.

(수학식 1)

f_t = σ(W_hfh_{t1 +} W_xfx_t +b_f)

수학식 1은 망각 게이트에서의 로직을 나타내는 수식으로서, f_t는 현재시점 정보를 제거할 비율을 담은 행렬을 나타내고, h_t1 은 직전시간 LSTM 셀의 hidden state 행렬을 나타내고, x_t는 현재 시점의 입력 데이터 행렬을 나타내고, Wh_f는 망각 게이트에서 h_t1과 행렬곱셈될 시그모이드(sigmoid) 레이어의 가중치 행렬을 나타내고, W_xf는 망각 게이트에서 x_t와 행렬곱셈 될 시그모이드 레이어의 가중치 행렬을 나타내고, b_f는 망각 게이트에서 시그모이드 레이어의 바이어스(bias) 행렬을 나타낸다.

수학식 1에서 망각 게이트는 오랜 기간이 경과한 정보의 정보 제거를 담당한다. 다시 말해, 수학식 1을 통해 현재 주어진 정보를 반영하여, 지금까지 오랜 기간 경과된 정보를 얼마나 제거할 것인지 계산할 수 있다. 이때, 망각 게이트의 출력 값은 0 내지 1 사이이며 출력 값에 따라 오랜 기간 경과된 정보를 정보를 제거하여 실제 상태를 나타내는 정보를 결정할 수 있다.

이어서, 하기 수학식 2를 이용하여 직전 시간까지의 정리된 정보들(hidden state)과 현재시점의 입력데이터를 조합하여, 오랜 기간이 경과된 정보(cell state)를 얼마나 잊을지 결정한다.

(수학식 2)

여기서, C_t는 현재시점에서의 셀 스테이트(cell state) 행렬을 나타내고, C_t1는 직전시간까지의 셀 스테이트(cell state) 행렬을 나타내며, 는 요소별 곱 연산으로 셀 스테이트 내 정보를 각각 제거한다.

(수학식 3)

수학식 3은 입력 게이트(input gate)에서의 로직을 나타내는 수식으로서,

는 현재시점 추가될 정보의 비율을 담은 행렬을 나타내고,

은 직전시간 LSTM 셀의 hidden state 행렬을 나타내고,

는 입력 게이트에서

과 행렬곱셈 될 시그모이드 레이어의 가중치 행렬을 나타내고,

는 입력 게이트에서

와 행렬곱셈될 시그모이드 레이어의 가중치 행렬을 나타내고,

는 입력 게이트에서 시그모이드 레이어의 바이어스 행렬을 나타낸다.

이때, 하기의 수학식 4, 5를 이용하여 hidden state와 입력데이터를 조합함으로써 임시 cell state를 생성한다.

(수학식 4)

(수학식 5)

여기서,

는 현재시점에서의 임시 cell state를 나타내고,

은 직전시간 LSTM 셀의 출력을 나타내고, x_t는 현재시점의 입력 데이터를 나타내고,

는 입력 게이트에서

와 행렬곱셈될 탄젠트하이퍼(tanh) 레이어의 가중치 행렬을 나타내고,

는 입력 게이트에서 x_t와 행렬곱셈될 탄젠트하이퍼 레이어의 가중치 행렬을 나타내고,

는 입력 게이트에서 탄젠트하이퍼 레이어의 바이어스 행렬을 나타낸다.

이때, 상기 수학식 5와 같이, 기존의 cell state에 새롭게 추가되는 정보는 초기부터 직전시점까지 정리된 정보(

)들과 현재 주어진 데이터(

)를 조합하여 생성할 수 있다.

수학식 5에서

는 입력 게이트에서 업데이트된 cell state 행렬을 나타내고,

는 현재시점에서의 임시 cell state를 나타내고,

는 정보를 제거할 비율을 담은 행렬을 나타내고, i_t는 현재시점 추가될 정보의 비율을 담은 행렬을 나타낸다.

(수학식 6)

수학식 6은 출력 게이트(output gate)에서의 로직을 나타내는 수식으로서, 직전시점까지의 정리된 정보들과 현재 주어진 데이터를 조합하여 현재시점의 정리된 정보(hidden state)의 비율을 생성할 수 있다.

이때, 하기 수학식 7과 같이 현재시점까지 정리된 cell state, 현재시점에 추가될 정보의 비율을 조합하여 현재시점의 정리된 정보를 생성할 수 있다.

(수학식 7)

여기서, h_t 는 현재시점의 정리된 정보를 나타내고,

는 현재시점까지의 cell state 행렬을 나타내고,

는 현재시점 추가될 정보의 비율을 담은 행렬을 나타낸다.

이와 같이, 본 발명은 긴 기간의 순차 데이터의 패턴을 학습하기 위하여 도 4와 같이 인공신경망을 쌓고 오랜 기간의 순차 데이터 동안 cell state를 유지 및 관리하여 해당 기간이 끝날 때 마다 cell state를 초기화하는 과정을 반복함으로써 다음날의 전력 사용량 예측을 할 수 있다.

각 단위 시간의 hidden state는 다음 신경망으로 전달되며, 전달된 신경망에서 해당 단위 시간의 입력정보로 사용할 수 있다. 이때, 인공신경망의 깊이를 깊게 쌓을수록 복잡한 패턴의 학습이 가능하다.

구체적으로, 전력 사용량(Usage), 달(Month), 일(Day), 시간(Hour) 4개의 특징 데이터 중 적어도 2개를 입력 데이터로 사용하여 각 사이트의 전력 사용 패턴을 학습할 수 있다. 이에, 전력 사용량을 포함한 최대 4개의 특징이 모델의 출력(예측) 단위 데이터로 생성될 수 있다.

또한, 입력 데이터의 단위시간은 15분 단위인 것이 바람직하지만, 이에 한정된 것은 아니며 사용자의 설정에 따라 그 이상 또는 이하의 단위 시간으로 변경될 수도 있다. 예컨대, i-smart의 경우 전력량 단위는 15분 단위이므로 하루에 96개의 단위 데이터가 주어질 수 있다. 이에, 다음날 전력 입찰에는 하루의 전력 데이터가 사용되므로 96개의 데이터를 출력할 수 있다.

이어서, LSTM을 통해 학습을 시킬 경우, 순차데이터를 묶어주는 배치크기(batch size)가 순차데이터의 길이에 따라 결정되며 배치크기는 하기의 수학식 8에 의해 결정될 수 있다.

(수학식 8)

여기서,

는 순차데이터를 묶어주는 배치크기이며,

는 단위시간의 크기로서 15분 단위로 1식 증가한다. 또한,

은 현재시점 이전까지 입력되는 데이터의 수로서 과거 2일간의 데이터를 통해 바로 다음 시점을 예측할 수 있다. 또한,

는 윈도우의 크기로서, 윈도우 크기만큼의 단위 데이터가 한번의 입력으로 사용될 수 있다.

또한, 해당시점과 다음 단위 시점의 데이터를 입력 및 정답 쌍으로 묶어서 학습을 시킬 수 있다. 예컨대, 00:00 시점의 입력 데이터는 00:15의 데이터가 정답으로 사용될 수 있다. 한편, 단위 시간이 30분이라면, 00:00 시점의 입력 데이터는 00:30의 데이터가 정답으로 사용될 수 있다.

또한, 주기적으로 전력 사용량 순차데이터를 수집하여 이를 모델이 학습할 수 있는 형태로 제공할 수 있다. 즉, 원본 데이터는 유닉스 시간(Unix time)과 전력 사용량만 제공되고, 이를 4개의 특징 데이터로 변화하여 모델을 학습시킬 수 있다.

이후, 학습시킨 결과를 통해 특정 시간대의 전력 사용량 순차데이터를 랜덤하게 추출하여 LSTM 모델에서 예측 값을 얻은 후에 MAPE를 이용하여 모델을 평가할 수 있으며, 경우에 따라서는 SSE, SDE, RMSE 등도 사용가능하다. 이때, 평가 결과 값이 좋지 않은 모델은 평가에 반영하지 않는다.

본 발명은 상술한 학습 방법을 통해 특정시점 다음날의 전력 수요(사용량)를 예측할 수도 있고, 추가적으로 특정기간의 과거 데이터를 입력함으로써 다음날의 전력 수요를 예측할 수도 있다. 특히, 전력 수요를 예측하기 위해서는, 배치크기만큼의 데이터가 입력으로 사용되어야 한다.

도 4에 도시된 바와 같이, LSTM 네트워크를 통해 학습시킨 네트워크의 성능을 평가할 수 있는데, 예를 들면, 평균 절대 비율 오류(mean absolute percentage error, MAPE), 합 제곱 오류(sum squared error, SSE) 및 표준 편차(standard deviations of error, SDE) 등을 사용할 수 있다.

예컨대, 평균 절대 비율 오류는 아래의 수학식 9에 의해 정의될 수 있다.

(수학식 9)

여기서,

는 시간 h에 대한 실제 전기 요금을 의미하고,

는 시간 h에 대한 예측 전기 요금을 의미하고, N은　예측된 시간들의 개수를 의미한다.

또한, 수요 예측은 예측 시점과 멀어질수록 정확도가 크게 하락할 수 있다. 이에, 예측적 충방전 제어기(100)는 예측 정확도를 높이기 위해 주기적으로 예측 데이터를 수신하고 수신한 예측 데이터를 기초로 수요 예측을 수행한다. 예측적 충방전 제어기(100)는 초(s), 분(m), 시(h) 단위 중 사용자가 미리 설정한 기간 마다 주기적으로 예측을 할 수 있으며, 예를 들면, 기간은 1 시간 일 수 있다.

이어서, 예측적 충방전 제어기(100)는 수신된 예측 모델 데이터를 기초로 예측 전력 사용량 데이터를 생성한다(S20).

예측적 충방전 제어기(100)는 분석 서버(300)로부터 수신한 예측 모델 데이터를 기초로 예측 전력 사용량 데이터를 생성할 수 있다. 이 경우, 수신한 예측 모델 데이터는 예를 들어, 분석 서버(300)에서 연산한 LSTM 네트워크의 계수 들일 수 있다. 예측적 충방전 제어기(100)는 분석 서버(300)와 동일한 LSTM 네트워크를 구현한 후, 분석 서버(300)에서 다운로드 받은 예측 모델 데이터를 이용하여 예측 전력 사용량 데이터를 생성할 수 있다.

한편, 예측 전력 사용량 데이터가 생성된 후에는, 예측적 충방전 제어기(100)는 예측 전력 사용량 데이터에 기초하여 최적 운전 조건을 산출할 수 있다(S30). 여기서, 최적 운전 조건은 전력량 요금의 최소화를 위하여 전력량 요금이 최대부하 예측 시간대의 부하를 경부하 예측 시간대로 이동시키기 위한 조건이다.

한편, 예측의 주기는 너무 짧으면 PCS(410)가 정상적으로 충방전을 할 수 없고 배터리(430)도 너무 짧은 기간 동안에서 신뢰할 만한 SoC 변화를 측정할 수 없다. 또한, 예측의 주기가 너무 길면 예측 정확도가 떨어져 최적 운전이 실패할 수 있다.

따라서, 예측적 충방전 제어기(100)는 ESS(400)의 효율적 운용을 위한 최적화를 위해 선형계획법을 사용할 수 있다. 구체적인 선형계획법을 이용한 최적 충방전 전략은 추후 설명하기로 한다.

마지막으로, 예측적 충방전 제어기(100)는 산출된 최적 운전 조건을 기초로 ESS의 충방전을 제어한다(S40).

이하에서는, 도 5를 참조하여 최적 운전 전략 수립 및 전력 제어에 상세히 설명하기로 한다.

도 5는 본 발명의 일 실시예에 따른 인공지능 기반 예측적 ESS 충방전 운용 장치의 전력 검측 방법을 나타내는 흐름도이다. 도 5에 도시된 인공지능 기반 예측적 ESS 충방전 운용 장치의 전력 검측 방법은 도 3에 도시한 ESS 제어 장치의 제어 방법과 일부 동일하므로 중복된 설명은 생략하기로 한다.

먼저, 현재 시간 이후 익일 자정까지 전력 수요를 예측한다(S100). 이어서, 현재 시간 이후 선형계획법 기반으로 최적 ESS 운전 전략을 산출한다(S200). 이어서, 다음 예측 및 최적 운전 산출 시간까지의 최적 운전 명령을 전송한다(S300). 이어서, 다음 예측 및 최적 운전 산출 시간까지의 최적 운전 전략에 따른 명령을 전송한다(S400).

예측적 충방전 제어기(100)는 ESS(400)의 효율적 운용을 위한 최적화를 위해 선형계획법(integer linear programming)을 사용할 수 있다. 다시 말해, 선형계획법을 이용한 최적 충방전 전략은 예측 주기에 따라 피크를 조절하기 위해 사용하는 방법으로서, 선형계획법을 통해 언제 얼마만큼의 전력량(kWh)을 충방전할지를 결정하고 이를 기초로 최적 운전 명령을 수행할 수 있다.

구체적으로, 선형계획법은 목적 함수가 최소가 되는 결정변수를 찾아 메모리에 업데이트 한다.

목적 함수(O 함수)는 아래와 수학식 10과 같이 연산된다.

(수학식 10)

Λ는 예측 시간 사이의 길이를 의미하며(Λ=N/24), ω는 일간 기본요금 단가를 의미하며, u는 결정 변수로서, 일간 예측 시간 사이의 최대전력수요량(kWh)을 의미한다. 이에,

는 예측 기본 요금을 의미하는 것으로 볼 수 있다. 여기서,

및

도 결정 변수로서

는 예측 시간 i의 계통으로 방전된 전력량을 의미하고,

는 예측 시간 i의 충전에 사용된 전력량을 의미한다.

또한,

는 예측 시간 i의 사용량 요금 단가를 의미하며,

는 예측 시간 i의 예측 또는 실측 전력사용량을 의미한다. 이에,

는 실제 사용된 전력사용량 요금을 의미하는 것으로 볼 수 있다.

따라서, 목적 함수는 예측 시간에 들어가는 요금을 나타내는 변수로, 여기에 사용량 요금, 실측 전력 사용량, 방전량 및 충전량에 기초하여 목적 함수가 출력된다.

이에, 목적 함수가 최소가 되는 결정변수를 찾으면서 아래와 같은 네가지 조건들을 모두 만족해야 요금을 최소화할 수 있다.

네가지 조건은 각각 아래와 같은 수식으로 구하게 된다.

(수학식 11)

여기서,

는 계약용량(kW)을 의미하며,

는 당월 이전까지 기본요금적용전력량(kWh)을 의미하며,

는 예측 시간 사이의 최대충방전 전력량(kWh)을 의미하며,

는 일간 예측 시간 사이의 최대전력수요량(kWh)을 의미하는 결정변수이다.

앞서, 수학식 11은 목적 함수를 최소화하는 결정변수를 찾기 위한 첫번째 조건을 구하는 수식으로서, 수학식 5로 표시한 바와 같이, 기본 요금 절감 효과가 없으면 피크절감을 수행하지 않는다.

(수학식 12)

여기서,

는 예측 시간 i의 예측 또는 실측 전력사용량을 의미하며,

는 예측 시간 i의 방전량(kWh)을 의미하며,

는 예측 시간 i의 충전량(kWh)을 의미하며,

는 일간 예측 시간 사이의 최대전력수요량(kWh)을 의미한다.

(수학식 13)

여기서,

는 방전효율을 의미하고,

는 충전효율을 의미한다.

(수학식 14)

여기서,

는 예측 시간 사이의 최대 충방전 전력량(kWh)을 의미한다.

수학식 12는 피크 절감 및 역류 방지를 위한 조건을 의미한다. 다시 말해, 순수요가 특정한 값을 넘지 못하도록 하여 피크 절감을 수행하면서 과방전을 통한 전력의 역류를 방지하는 것을 의미한다. 또한, 수학식 7은 배터리 용량 제한을 위한 조건을 의미하며, 수학식 8은 PCS(410) 용량 제한을 위한 조건을 의미한다.

한편, 예측적 충방전 제어기(100)는 BMS(420)를 통해 배터리의 충전잔량(SoC)을 주기적으로 수집한다. 다만, 배터리의 충방전 효율은 BMS(420)가 계산하여 주는 정보가 정확하지 않을 수 있기 때문에 예측적 충방전 제어기(100)는 원하는 충방전 명령을 정상적으로 수행하기 위해 충전잔량(SoC)을 실시간으로 모니터링하면서 PCS(410)의 충방전 전력(kW)을 지속적으로 조절한다.

또한, 예측적 충방전 제어기(100)는 충방전 명령이 내려질 때까지 충방전 실행은 PID(Proportional Integral Derivative) 제어기와 같은 피드백 기법을 적용하여 PCS(410) 충방전 전력을 제어할 수 있다.

한편, 충방전 명령 수행 도중 지정한 최적 운전 수행(또는 전략 수행)이 불가할 시 운전을 멈추고 새로운 전략을 수립하여 전력 제어를 수행할 수 있다. 구체적으로, 충방전 명령 수행 도중 최적 운전 수행 불가 유무를 판단하여 불가하다고 판단한 경우, 다음 예측 시간을 현재 시간으로 설정하고, 최적 운전 수행이 가능하다고 판단한 경우, 전력 수요 이상변화 발생여부를 판단한다.

이후, 예측적 충방전 제어기(100)는 예측 데이터를 지속적으로 모니터링하면서 이상변화(anomaly) 발생이 감지되면 새로운 예측과 함께 새로운 전략을 수립하여 전력 제어를 수행한다. 여기서, 전력 수요를 측정하는데 있어서 전력 예측값이 미리 설정된 기준 범위에 도달하지 못한 경우 이상변화가 발생한 것이라고 판단한다. 구체적인 동작은 도 8을 참조하여 추후 설명하기로 한다.

이에, 전력수요 이상변화가 발생했다고 판단하는 경우 다음 예측 시간을 현재 시간으로 설정하고, 전력수요 이상변화가 발생하지 않았다고 판단하는 경우 최적 운전 수행을 완료하는데, 도 5와 같이, 최적 운전 수행이 완료되지 않았을 경우는 피드백 기법 기반의 최적 운전을 재수행할 수 있다(S400).

이하에서는, 도 6 내지 도 8을 참조하여 비교예(종래기술)와 본 발명의 실시예에 따른 ESS제어 장치를 비교하여 설명하기로 한다.

도 6은 일반적인 ESS 제어 장치의 ESS제어에 따른 피크 변화량을 나타낸 도면이다. 도 7은 본 발명의 일 실시예에 따른 인공지능 기반 예측적 ESS 충방전 운용 장치의 ESS 제어에 따른 피크 변화량을 나타낸 도면이다. 도 8은 도 7의 A영역에 대한 확대도 및 본 발명의 일 실시예에 따른 충방전 전략 변화를 설명하기 위한 그래프이다.

도 6을 참조하면, 좌측 막대그래프는 단위 시간에 따른 충전 방전을 표시한 것이고, 우측 막대그래프는 시간에 따른 전력량을 나타낸 것이다. 여기서, 제1 기간(단위 시간)은 1시간을 기준으로 하는 것으로 표시하였지만, 이에 한정되지 않으며 분단위일 수 있고, 초단위 일 수도 있다.

도 6과 같이 1시부터 5시까지 충전을 하고, 10시, 11시 및 14시 내지 16시에 방전을 한 경우, 오른쪽 막대그래프와 같이 10시, 11시 및 14시 내지 16시에 전력량이 감소하는 것을 알 수 있다.

즉, 일반적인 ESS 제어 장치는 상술한 바와 같이 하루 24시간을 기준으로 충전 및 방전 구간을 지정하여 일정 시간 범위내에서는 충전을 지속적으로 하고, 다음 시간 범위내에서는 방전을 지속적으로 하는 방식을 수행한다.

또한, 도 6과 같이 일정 시간 동안 일정량의 충방전이 이루어지기 때문에 전력량에 이벤트가 발생하는 경우(예를 들면, 평소보다 전력량이 많거나 적은 날)에 이벤트 발생에 대응하도록 피크를 조절하는 것이 쉽지 않다. 다시 말해, 일정량의 출력만큼만 충방전이 되므로 원하는 시점에 원하는 출력을 발생시킴으로써 충방전을 최적화시킬 수 없는 문제점이 있다.

이에 반해, 본 발명은 충방전을 제1 기간 보다 작은 제2 기간(예를 들어 10분, 또는 15 분) 마다 평가/평가에 따른 충방전 전략 수정 및 수정된 전략으로 ESS(400)를 제어함으로써, 피크를 유연하게 조절하면서 할 수 있다. 이 경우, 충방전 전략은 충전 또는 방전 여부, 충방전 주기 및 충방전 량을 포함할 수 있다.

본 발명은 도 8(a)과 같이, 1시간 내에서도 10분 단위로 나눠서 각 시점에서 예컨대, 도 4에 따른 방식 또는 기타의 방식으로 전력사용량을 평가한 후, 평가에 기초하여 충방전 전략을 변경할 수도 있다.

예를 들어, 도 8(b)와 같이 14시에서 15시 사이는 보통 최대 부하 구간으로 방전을 하는 충방전 전략으로 제어되고 있다. 이 경우, 사용자의 갑작스런 휴무 또는 공장 셧다운 등의 다양한 이유로 사용량이 급격하게 감소하는 경우에는 ESS 방전에 의한 피크 절감의 효율성이 낮아질 수 있다. 따라서, 도 8(c)와 같이 충방전 전략을 수정한 후, 수정된 전략에 따라 ESS(400)를 제어할 수 있다. 단, 일반적으로 14시에서 15시 사이는 최대 부하 구간이므로, 전기 요금이 비싸기 때문에 충전을 수행하지 않을 수도 있다.

또한, 중간부하 시점에서 유사한 이벤트가 발생할 수 있다. 예를 들면, 수용가의 11시에서 12시 사이의 전력 사용량이 갑작스러운 휴무 등으로 인하여 급격하게 떨어지는 경우에, ESS 방전에 의한 피크 절감의 효율성이 낮아질 수 있으므로, 이러한 경우에도 도 8(c)와 유사하게 수정된 전략에 따라 ESS(400)를 제어할 수 있다.

또한, 본 발명은 일정량의 출력만큼만 충방전을 시키는 것이 아니라, 서로 충방전량을 변화시켜 수행함으로써 이벤트가 발생하여도 신속하게 전력량을 제어할 수 있는 효과가 있다. 예컨대, 방전량을 조절하는 경우에는 도 8(c)의 B 부분과 같이 단위시간당 방전 회수를 줄여서 방전량을 조절할 수도 있다.

충방전 전략을 변경하여 PCS(410) 및 BMS(420)를 제어할 수 있다. 도 8(a) 내지 (c)에서는 제2 기간을 10분 단위로 평가/충방전 전략 수정 및 제어를 수행한 것으로 도시하였지만, 더 작은 단위일 수 있고, 최적의 변화량에 대응하도록 제2 기간을 변경할 수 있다.

이와 같이, 본 발명의 일 실시예에 따른 인공지능 기반 ESS 제어 시스템은 전력 제어 시 ESS의 최적 운전 시점을 주기적으로 예측함으로써, 효과적으로 피크를 감소시켜 전기 사용량에 따른 사용자의 이익을 창출할 수 있다.

또한, 본 발명의 일 실시예에 따른 인공지능 기반 ESS 제어 시스템은 주기적으로 전력 수요를 예측하여 ESS(400)의 최적 운전 전략을 수행함으로써 배터리 수명 증가와 에너지 절감 효과를 극대화할 수 있다.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

100: 예측적 충방전 제어기 110: 수신부
120: 연산부 130: 제어부
200: 전력 정보 공급 장치 210: 전력수요 계량기
220: 전력수요 수집기 300: 분석 서버
400: ESS 410: PCS
420: BMS 430: 배터리
500: 이더넷 스위치 600: LoRa 게이트웨이
700: LTE 라우터

Claims (9)

1. 전력 사용량 정보를 제공하는 전력 정보 공급 장치;
   상기 전력 사용량 정보를 이용하여 전력 사용량 예측 모델을 생성하고, 뉴럴 네트워크를 이용하여 학습된 모델 데이터를 전송하는 분석 서버; 및
   상기 학습된 모델 데이터에 기초하여 상기 전력 사용량 정보에 따라 전력 사용량 예측 데이터를 생성하고, 상기 전력 사용량 예측 데이터에 기초하여 최적 ESS 충방전 전략을 생성하며, 상기 최적 ESS 충방전 전략에 기초하여 ESS 시스템을 제어하는 예측적 충방전 제어기를 포함하고,
   상기 예측적 충방전 제어기는 연산부에 의해 상기 전력 사용량 예측 데이터 및 상기 전력 사용 정보에 기초하여 목적 함수가 최소가 되는 결정 변수를 연산한 후, 상기 결정 변수에 기초하여 상기 최적 ESS 충방전 전략을 연산하고,
   상기 결정 변수는 상기 목적 함수가 아래 수학식 1에 따라 연산된 최소값인,
   (수학식 1)
   

   

   
   (여기서, Λ는 예측 시간 사이의 길이(Λ=N/24), ω는 일간 기본요금 단가, u는 일간 예측 시간 사이의 최대전력수요량(kWh)을 나타내고,

   

   는 실제 사용된 전력사용량 요금을 나타냄)
   인공지능 기반 ESS 제어 시스템.
2. 제1항에 있어서,
   상기 전력 정보 공급 장치와는 사물인터넷망 게이트웨이를 통하여 연결되며, 상기 분석 서버와는 광대역 통신망 라우터를 통하여 연결되며, 상기 전력 사용량 정보 및 상기 학습된 모델 데이터를 라우팅하는 이더넷 스위치를 더 포함하는,
   인공지능 기반 ESS 제어 시스템.
3. 제1항에 있어서,
   상기 최적 ESS 충방전 전략은 ESS의 충전 또는 방전 여부, 충방전 주기 및 충방전 전력 제어량, 최적 운전 시점을 포함하는,
   인공지능 기반 ESS 제어 시스템.
4. 제1항에 있어서,
   상기 예측적 충방전 제어기는,
   상기 예측 모델 데이터를 수신하고, 상기 전력 정보 공급 장치로부터 전력 사용 정보를 수신하는 수신부; 및
   상기 최적 ESS 충방전 전략에 기초하여 ESS의 충방전을 제어하는 제어부를 포함하는,
   인공지능 기반 ESS 제어 시스템.
5. 삭제
6. 제1항에 있어서,
   상기 목적 함수는 아래 수학식 2
   (수학식 2)
   

   

   
   (여기서,

   

   는 계약용량(kW), u bar(

   

   )는 당월 이전까지 기본요금적용전력량(kWh),

   

   는 예측 시간 사이의 최대충방전 전력량(kWh),

   

   는 일간 예측 시간 사이의 최대전력수요량(kWh)을 나타냄)
   에 따라 연산되는 조건을 만족하는,
   인공지능 기반 ESS 제어 시스템.
7. 제1항에 있어서,
   상기 목적 함수는 아래 수학식 3
   (수학식 3)
   

   

   
   (여기서,

   

   는 예측 시간 i의 예측 또는 실측 전력사용량, d_i는 예측 시간 i의 방전량(kWh), c_i는 예측 시간 i의 충전량(kWh), u는 일간 예측 시간 사이의 최대전력수요량(kWh)을 나타냄)
   에 따라 연산되는 조건을 만족하는,
   인공지능 기반 ESS 제어 시스템.
8. 제1항에 있어서,
   상기 목적 함수는 아래 수학식 4
   (수학식 4)
   

   

   
   (여기서,

   

   는 방전효율,

   

   는 충전효율을 나타냄)
   에 따라 연산되는 조건을 만족하는,
   인공지능 기반 ESS 제어 시스템.
9. 제1항에 있어서,
   상기 목적 함수는 아래 수학식 5
   (수학식 5)
   

   

   
   (여기서,

   

   는 예측 시간 사이의 최대 충방전 전력량(kWh)을 나타냄)
   에 따라 연산되는 조건을 만족하는,
   인공지능 기반 ESS 제어 시스템.

Images